[发明专利]自适应分块的基于体素的点云压缩方法及装置

说明书

本发明提供了自适应分块的基于体素的点云压缩方法及装置，所述方法包括，对原始的点云数据进行自适应分块；对自适应分块后的点云块进行编码；使用改进后的wBCE损失函数对压缩编码器进行训练；将训练完成的压缩编码器对自适应分块后的点云块进行编码。本发明的有益效果在于：能够有效的提升点云压缩的压缩率和速度，同时能够在较高压缩率时明显地提高点云压缩的质量。

技术领域

本发明涉及一种压缩方法及装置，尤其是指一种自适应分块的基于体素的点云压缩方法及装置。

背景技术

点云压缩目的是将原始点云数据压缩编码，减少传输的带宽或者存储的容量。原始点云数据量庞大，随着点云获取设备的普及和3D应用的兴起，需要对原始点云数据进行压缩来满足传输的带宽或者存储的限制。点云压缩主要可以分为视频点云压缩和几何点云压缩，随着深度学习的发展，目前已经有许多深度学习框架应用在几何点云压缩中。基于深度学习的点云压缩，根据点云压缩中对于原始点云数据的处理，可以分为三类：基于体素的点云压缩、基于原始点云的点云压缩和基于二维矩阵的点云压缩。

基于体素的点云压缩是目前比较主流的使用深度学习的点云压缩方式，并且相比其他点云压缩其适应于较大的数据量和各类点云场景。点云数据具有不规则性和数据量大的特点，点云的体素化可以很好的将不规则点云转化为规则的体素，并且体素化的过程中将距离近的点云合并为同一体素，减少了点云需要压缩的庞大的数据量。基于体素的点云压缩的深度学习方法主要为使用三维的自动编码器进行压缩数据。由于三维数据相比二维数据分辨率的提升导致数据量增长过快，所以过高的体素分辨率会大大降低三维卷积的速度，因此目前点云压缩主要针对64×64×64或者32×32×32三维数据作为压缩输入。

基于体素的点云压缩都采取均匀切割原始点云数据为块，再对均匀的块内的点云进行体素化，并对每一个块进行压缩。由于三维点云数据的特点，三维点云数据量大，并且点云在空间中分布非常的稀疏并且点云是对物体表面的平面进行采集，对原始点云数据进行均匀的分块的方法导致对于一些极为稀疏的点云压缩率不佳，对于点云聚集的分块体素化压缩可能会较大的损失点云的细节。

发明内容

本发明所要解决的技术问题是：提供一种自适应分块的基于体素的点云压缩方法及装置，旨在保持较高压缩率的同时，提高点云压缩的质量。

为了解决上述技术问题，本发明采用的技术方案为：一种自适应分块的基于体素的点云压缩方法，包括以下步骤，

步骤S10、对原始的点云数据进行自适应分块；

步骤10具体包括，

S11、将原始的点云数据进行八叉树体素划分，得到划分的点云块；

S12、使用三维卷积网络对划分的点云块进行空间数量分布探测，得到点云块的特征；

S13、对点云块的特征进行处理，计算出点云块的稠密程度及细节重要程度，根据点云块的稠密程度对点云块进行分类；

S14、根据点云块的稠密程度及细节重要程度对点云块进行自适应合并；

步骤S20、对自适应分块后的点云块进行编码；

步骤S20具体包括，

S21、对点云训练集进行体素化并特征强化，首先对点云数据集进行体素化，体素保留体素内点云数量通过三维卷积网络进行体素强化，保留特征强化后体素训练集；

S22、对特征强化后的体素进行编码，得到编码后的潜在表示数据；

S23、对编码后的潜在表示数据进行解码，对解码结果计算改进后的wBCE损失函数，迭代网络；

步骤S30、使用改进后的wBCE损失函数循环执行步骤S21-S23，分别对稠密点云压缩编码器和稀疏点云压缩编码器进行训练；